12、天气识别与铁路轨道缺陷检测的机器学习方法

天气识别与铁路轨道缺陷检测的机器学习方法

1. 天气识别研究背景与数据集

不同的天气状况会在各方面影响人们的生活，如今很多系统都需依据当前天气来做决策，基于视觉的天气识别是了解天气状况的重要途径。虽然深度学习在各领域广泛应用，但它也存在一些不足，比如在特征提取过程中，显著特征可能不够突出，导致最终任务性能不如传统机器学习方法。而且深度学习依赖大数据、大模型和大量计算，面临标注数据成本高、在移动设备上使用不便以及材料和时间成本高等挑战。

为了在有限设备上进行天气分类研究，研究选取了由五种天气类型组成的 Sun - Cloud - Rain - Fog - Snow（SCRFS）数据集。由于设备限制，从不同开源数据集中选取了总共 425 张图像，每种天气类型各 85 张。这些图像从互联网收集而来，并基于包含知识共享许可的原则进行选择。

2. 天气识别方法

2.1 图像预处理

对于卷积神经网络（CNN），图像的调整和裁剪是关键步骤。首先，在保持图像宽高比的前提下对图像进行调整大小，计算公式如下：
- 调整百分比：$Resize Percent = \frac{New basesize}{Oldsize}$
- 新尺寸：$Newsize = Oldsize × ResizePercent$

然后，使用“Canny 边缘检测”算法检测图像中的天空区域和物体区域，裁剪掉非天空部分。

2.2 卷积神经网络（CNN）

CNN 是机器学习中先进且广泛使用的分类算法。在本项目中使用了基于 TensorFlow 后端的 Keras 库。CNN 是一个复杂的算法，超参数的变